Label Studio MCP Server

🚀 標籤工作室 MCP 服務器

本項目提供了一個模型上下文協議（MCP）服務器，可藉助 label-studio-sdk 與 Label Studio 實例展開交互。它支持以程序化的方式管理標註項目、任務和預測，既可以通過自然語言調用，也能使用結構化的 MCP 客戶端進行調用。藉助此 MCP 服務器，您能夠完成如創建項目、查詢標註任務數量、添加預測、更新標註模板等操作。

🚀 快速開始

此項目提供一個模型上下文協議（MCP）服務器，允許通過 label-studio-sdk 與 Label Studio 實例進行交互。使用前，您需要完成安裝和配置，隨後啟動服務器，即可通過相關工具進行項目、任務和預測的管理。

✨ 主要特性

• 項目管理：可對標註項目進行創建、讀取、更新和刪除操作。
• 任務管理：支持導入任務文件，列出所有任務，並獲取特定任務的數據和註釋。
• 預測功能：能為特定任務生成和添加預測結果。

📦 安裝指南

安裝要求

1. 操作系統：支持 Linux 或 macOS（Windows 目前不受支持）。
2. Python 版本：3.6 及以上版本。
3. 依賴項：
   • label-studio-sdk >= 0.9.0
   • uvicorn >= 0.15.0
   • python-multipart >= 0.2.1

安裝步驟

使用 Python 包管理器安裝所需的依賴項：

pip install label-studio-sdk uvicorn python-multipart

📚 詳細文檔

配置指南

環境變量配置

在運行服務器之前，確保設置以下環境變量：

• LABEL_STUDIO_URL：Label Studio 服務的 URL 地址（例如：http://localhost:8000）。
• LABEL_STUDIO_API_KEY：訪問 Label Studio API 的密鑰。

示例配置

export LABEL_STUDIO_URL="http://localhost:8000"
export LABEL_STUDIO_API_KEY="your_api_key_here"

服務器運行

使用以下命令啟動 MCP 服務器：

python label-studio-mcp.py --transport http --port 3000

參數說明：

• --transport {http|stdio}：指定通信傳輸方式（默認為 stdio）。
• --port PORT：設置 HTTP 傳輸的端口號（默認為 3000）。
• --host HOST：設置 HTTP 傳輸的主機地址（默認為 0.0.0.0）。

工具說明

項目管理工具

• create_label_studio_project：創建一個新的標註項目。
• get_label_studio_projects：獲取所有已有的標註項目。
• update_label_studio_project：更新指定項目的配置。
• delete_label_studio_project：刪除指定的標註項目。

任務管理工具

• import_label_studio_tasks：將 JSON 文件中的任務導入到指定項目中。
• list_label_studio_tasks：列出指定項目的所有任務。
• get_label_studio_task_data：獲取特定任務的數據和元數據。

預測功能工具

• create_label_studio_prediction：為特定任務生成並添加預測結果。
• list_label_studio_predictions：列出指定任務的所有預測結果。

💻 使用示例

基礎用法

1. 創建一個新項目

create_label_studio_project --name "圖像分類任務" --description "圖片分類標註"

2. 準備任務文件（例如 tasks.json）

[
  {
    "id": 1,
    "data": {
      "image": "path/to/image.jpg",
      "text": "描述圖像內容"
    },
    "annotations": []
  },
  {
    "id": 2,
    "data": {
      "image": "path/to/another_image.jpg",
      "text": "另一張圖片的描述"
    },
    "annotations": []
  }
]

3. 導入任務到項目

import_label_studio_tasks --project-id 1 --tasks-file tasks.json

4. 列出所有任務

list_label_studio_tasks --project-id 1

5. 獲取特定任務的數據

get_label_studio_task_data --task-id 1

6. 生成預測結果

[
  {
    "result": [
      {
        "id": 1,
        "start_time": 0.1,
        "end_time": 0.2,
        "label": "cat"
      },
      {
        "id": 2,
        "start_time": 0.3,
        "end_time": 0.5,
        "label": "dog"
      }
    ],
    "score": 0.89
  }
]

7. 添加預測

create_label_studio_prediction --task-id 1 --result-file predictions.json

📄 許可證

文檔中未提及相關信息。

📞 聯繫方式

如需幫助或反饋，請通過 GitHub Issues 提交問題。